高煥堂



0引言
遷移學習(Transfer Learning)就像俗稱的“拿來主義”,善用別人已經訓練好模型的參數(智慧),引入到自己的模型里,可以迅速建立1個AI的應用情境。本文以ResNet50為例,說明如何復用(Reuse)已經訓練好的ResNet50的智慧(模型和參數),幫您瞬間探索任何一張圖像的特征(Feature),然后幫您識別出圖片里的人或物的種類,如水牛、斑馬、貓頭鷹或汽車等。
1認識遷移學習:以ResNel50為例
AI的智慧是來自機器的自我學習,通稱為機器學習。它經常需要借助大量的數據來訓練。例如,ResNet50就使用100多萬張圖像而訓練出來的。在訓練的過程中,它去探索每張圖像中的特稱,并且學習歸納和分類。目前的ResNet50可以準確地識別出1000種人或物,如日常生活中常遇到的狗、貓、食物、汽車和各種家居物品等。例如,您可以隨意從百度圖片上截取一張224x224大小的圖片,如圖1。
當您把這圖片提交給Re sNet50,它會瞬間探索并進行分類,然后告訴您:我預測這是大熊貓(Giantpanda)。
2介紹ResNel50模型的結構
目前最常見的AI圖像識別模型是:卷積網路(cNN)模型。這ResNet50就是基于CNN的模型,如圖2。
其中,CNN模型包含兩部分:卷積層(convolutionLayers)與全連接層(Full-Connected Layers)。前者我特別稱之為丫鬟部分;而后者則稱之為格格部分,如圖3。
Conv部分比較復雜,共約有40個層;而FC部分約有10個層。所以稱之為ResNet50模型。
3復用ResNel50智慧的方法
典型的復用(Reuse)步驟如下。
它告訴您了:我預測99%的可能性是大熊貓(Giantpanda)。
5僅復用丫鬟,訓練自己的格格
5.1說明
由于ResNet50是典型的CNN模型,包含卷積層與FC層。在上一節里,使用Excel畫面來操作ResNet50,并復用了全部(卷積層與FC層)的權重,就不必重新訓練,而直接用來辨別圖像里的東西?!?br>